布尔索引比切片更安全高效：切片仅支持删连续行，而布尔索引可精准删除任意行（如第0、2、5行），且避免np.delete()不就地修改、性能差等问题。
用布尔索引比切片更安全地删行
直接用切片删特定行（比如 arr[1:3]）只能删连续行，根本处理不了“删第0、2、5行”这种需求。真正可靠的做法是构造布尔数组：每项对应一行是否保留。
常见错误是误用 np.delete() 返回副本却忘了赋值，结果原数组没变——它不就地修改，必须显式接收返回值。
- 想删第
i行？用arr[np.arange(len(arr)) != i]（单行）或arr[~np.isin(np.arange(len(arr)), [0, 2, 5])]（多行） - 按条件删（如某列值为0的行）：
arr[arr[:, col_idx] != 0]，别写成arr[arr[:, col_idx] == 0] = []—— 这会报错 - 布尔索引自动压缩维度，结果仍是二维；而
np.delete(arr, [0,2,5], axis=0)也行，但慢于布尔索引，尤其在大数组上
切片删连续行时注意索引越界和步长陷阱
切片本身不能“删除”，只是提取子集。想“删前3行”得写 arr[3:]，不是 arr[:-3]（那是删后3行）。容易踩的坑是混淆起始/结束逻辑，尤其当行数不足时：
-
arr[5:]在只有4行的数组里返回空数组[]，不会报错但可能引发后续计算异常 -
arr[::2]是取偶数索引行（0,2,4…），不是“删奇数行”——语义上要反着想 - 删中间连续块（如第2到第4行）：用
np.vstack([arr[:2], arr[5:]])，别试图用单一切片表达“跳过”
原地修改 vs 返回新数组的性能差异
NumPy数组没有真正的“原地删行”，所有操作都生成新对象。但内存行为有区别：arr = arr[condition] 会让旧数组被垃圾回收（如果无其他引用）；而 np.delete() 内部仍会新建数组，且额外调用 C 层逻辑，实测比布尔索引慢 15–30%（10万行以上明显）。
- 频繁删行？考虑先收集待删索引，一次性布尔过滤，避免链式操作：
arr = arr[~mask]比循环调用np.delete()快得多 - 若原始数据极大且只读，用
np.memmap配合索引数组，避免全量加载 - 注意布尔数组长度必须等于行数，否则报
IndexError: boolean index did not match indexed array
处理带结构化 dtype 的数组要额外指定字段
结构化数组（如 dtype=[('name', 'U10'), ('score', 'f4')]）删行逻辑不变，但条件筛选需明确字段名：arr[arr['score'] > 60]。切片操作不受影响，arr[10:] 依然有效。唯一例外是字段级切片——那属于列操作，和删行无关。
- 误写
arr[arr['score'] == 0, :]会报错：结构化数组不支持逗号索引，去掉, :即可 - 用
np.delete()删结构化数组行时，axis=0必须显式传入，否则默认删第一维字段（即列），导致意外结果 - 布尔索引后，字段顺序和 dtype 不变，可直接继续计算
len(arr) 和你要删的索引最大值，差1就全崩。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
